Evolutionary algorithms for Map of Attributes optimization

• Autorzy: Rzeźniczak T.

Warianty tytułu

PL

Algorytmy ewolucyjne w optymalizacji Mapy Atrybutów

• Języki publikacji: EN

Abstrakty

EN

Map of Attributes (MoA) is a visualization technique that allows to construct graphical representation of abstract entities. The technique is intended to aid recognition of the entities’ representations through the effective use of human perception abilities. A certain difficulty in the application of MoA is the computational complexity of finding an optimal map. The study presents a heuristic approach, based on evolutionary algorithms (EA), to constructing MoA visualization. The method was evaluated using the repository of disease entities as an input dataset. Several different setups of EA were tested; these were configurations with well-known evolution operators, as well as setups with newly proposed operators for the matrix representation of chromosome. Detailed results and analysis of conducted experiments are presented.

PL

Mapa atrybutów (MoA, z ang. Map of Attributes) to technika wizualizacji, która pozwala konstruować graficzną reprezentację abstrakcyjnych obiektów. Celem działania techniki jest wsparcie rozpoznawania graficznej reprezentacji obiektów przez efektywne wykorzystanie percepcyjnych zdolności człowieka. Pewną trudnością stosowania MoA jest złożoność obliczeniowa znajdywania optymalnej mapy. W artykule przedstawiono heurystyczne podejście bazujące na algorytmach ewolucyjnych (EA, z ang. evolutionary algorithms) do konstruowania wizualizacji MoA. Metoda została zbadana z wykorzystaniem repozytorium jednostek chorobowych jako zbioru danych wejściowych. Kilka różnych konfiguracji EA zostało zweryfikowanych, były to konfiguracje z zastosowaniem dobrze znanych operatorów ewolucyjnych, jak również konfiguracje z nowo zaproponowanymi operatorami dla macierzowej reprezentacji chromosomu. Artykuł prezentuje szczegółowe wyniki oraz analizę przeprowadzonych eksperymentów.

Słowa kluczowe

EN

evolutionary algorithms; data visualization; evolution operators

PL

algorytmy ewolucyjne; wizualizacja danych; operatory ewolucji

• Wydawca: Institute of Computer and Information Systems, Faculty of Cybernetics, Military University of Technology
• Czasopismo: Computer Science and Mathematical Modelling
• Rocznik: 2015
• Tom: No. 1
• Strony: 31--43
• Opis fizyczny: Bibliogr. 24 poz., tab., rys., wykr.

Twórcy

autor

Rzeźniczak T.

• Military University of Technology, Faculty of Cybernetics, Institute of Computer and Information Systems, Kaliskiego Str. 2, 00-908 Warsaw, Poland

Bibliografia

• [1] Ameljańczyk A., “Wielokryterialne mechanizmy wspomagania podejmowania decyzji medycznych w modelu repozytorium w oparciu o wzorce”, Biuletyn Instytutu Systemów Informatycznych, Nr 5, 1–6 (2010).
• [2] Ameljańczyk A., “Multicriteria similarity models for medical diagnostic support algorithms”, Bio-Algorithms and Med- Systems, Nr 9(1), 1–7 (2013).
• [3] Back T., Evolutionary algorithms in theory and practice, Oxford Univ. Press., 2010.
• [4] Beyer H.G., Schwefel H.P., “Evolution strategies – A comprehensive introduction”, Natural computing, 1(1), 3–52 (2010).
• [5] Davis L., Handbook of genetic algorithms Vol. 115, New York: Van Nostrand Reinhold, 1991.
• [6] Disease and Conditions, Mayo Clinic, http://www.mayoclinic.org/diseases-conditions, accessed November 2015.
• [7] Dianati M., Song I., Treiber M., An introduction to genetic algorithms and evolution strategies. Technical report, University of Waterloo, Ontario, N2L 3G1, Canada, 2002.
• [8] Donderi D.C., “Visual complexity: a review”, Psychological Bulletin, No. 132(1), 73–97 (2006).
• [9] Garner W.R., The processing of information and structure, Psychology Press, NY 2014.
• [10] Goldberg, D.E., Lingle R., “Alleles, loci, and the traveling salesman problem”, Proceedings of an International Conference on Genetic Algorithms and Their Applications, Vol. 154, Lawrence Erlbaum, Hillsdale, NJ, 1985.
• [11] Grefenstette J.J., “Incorporating problem specific knowledge into genetic algorithms”, Genetic algorithms and simulated annealing, No. 4, 42–60 (1987).
• [12] van der Helm P., Leeuwenberg E., “Accessibility: A Criterion for Regularity and Hierarchy in Visual Pattern Codes”, Journal of Mathematical Psychology, No. 35, 151–213 (1991).
• [13] Hochberg J., McAlister E., „A quantitative approach to figural goodness”, Journal of Experimental Psychology, No. 46, 361–364, (1953).
• [14] International Classification of Disease, World Health Organization, http://www.who.int/classifications/icd/en/, accessed November 2015.
• [15] Karges W., Al Dahouk S., Innere Medizin. in 5 Tagen, Springer, 2011.
• [16] Kayaert G., Wagemans J., “Delayed shape matching benefits from simplicity and symmetry”, Vision research, No. 49(7), 708–717 (2009).
• [17] Larranaga P., Kuijpers C.M., Murga R.H., Yurramendi Y., “Learning Bayesian network structures by searching for the best ordering with genetic algorithms”, Systems, Man and Cybernetics, Part A: Systems and Humans, IEEE Transactions on, No. 26(4), 487–493 (1996).
• [18] Latkowski B., Lukas W., Medycyna rodzinna – repetytorium, Wydawnictwo Lekarskie PZWL, Warszawa, 2008.
• [19] Mackinlay J., “Automating the Design of Graphical Presentations of Relational Information”, ACM Transactions on Graphics, Vol. 5, Issue 2, New York, USA, April, 1986.
• [20] Magalhaes-Mendes J., “A Comparative Study of Crossover Operators for Genetic Algorithms to Solve the Job Shop Scheduling Problem”, WSEAS Transactions on Computers, Vol. 12(4), 164–173 (2013).
• [21] Palmer S., Vision Science: Photons to Phenomenology, MIT Press, 1999.
• [22] Rzeźniczak T., “Implementation aspects of data visualization based on map of attributes”, Journal of Theoretical and Applied Computer Science, Vol. 6(4), 24–36 (2012).
• [23] Rzeźniczak T., “Applying figural goodness to data visualization”, Biuletyn Instytutu Systemów Informatycznych, Nr 11, 23–31 (2013).
• [24] SNOMED CT, International Health Terminology Standards Development Organization, http://www.ihtsdo.org/ snomed-ct/, accessed November 2015.